CN116881429A - 一种基于多租户的对话模型交互方法、装置及存储介质 - Google Patents
一种基于多租户的对话模型交互方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116881429A CN116881429A CN202311147563.9A CN202311147563A CN116881429A CN 116881429 A CN116881429 A CN 116881429A CN 202311147563 A CN202311147563 A CN 202311147563A CN 116881429 A CN116881429 A CN 116881429A
- Authority
- CN
- China
- Prior art keywords
- tenant
- information
- session
- target
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000003993 interaction Effects 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种基于多租户的对话模型交互方法、装置及存储介质,方法包括:接收目标租户的当前会话信息;当前会话信息中携带有租户标签;租户标签包括:用户标识信息;基于租户标签构建提示词;基于提示词和当前会话信息进行会话文本改写,得到目标会话文本;将目标会话文本输入至预设的对话模型中,输出目标会话文本对应的应答信息;根据用户标识信息,将应答信息返回至目标租户对应的客户端。本申请通过基于当前会话信息中携带的租户标签构造的提示词,对租户的会话信息进行区分识别及应答,不仅解决大模型生成应答信息准确性低的问题,还能解决面对不同用户对应独立部署对话大模型服务器时造成的资源浪费的问题。
Description
技术领域
本申请涉及智能机器人对话交互技术领域,尤其是涉及一种基于多租户的对话模型交互方法、装置及存储介质。
背景技术
多租户问答***是指一种将***与多个租户同时进行交互的问答***,可以回答多个租户的问题,例如不同的酒店预订、银行开户、保险理赔等。目前,成熟开发并应用的多租户对话大模型***较少。在多租户场景下,不同租户的每一个对话任务都会直接发送至对话大模型,大模型通过查找近期回答的所有租户、所有上下文来判断当前租户与历史租户是否为同一人,主题是否有关联,从而保证回答的连贯性和正确性。这种方法虽然简单,但完全依赖于大模型对于所有对话进行理解和筛查从而作出判断,不仅增加了大模型计算的复杂性从而导致大模型响应速度过慢,还可能因不同租户对应的不同语境相互影响而降低大模型生成应答信息的准确性,出现答非所问的情况。
再者,现有技术中为了提高大模型生成应答信息的准确性,一般是单独给每个租户部署一套完整的对话大模型服务器提供一对一服务,这种独立部署服务的技术方案虽然能够减少大模型单次计算复杂度,提升应答准确度,但对整体资源消耗较大,缺少横向扩展能力。在面向海量的移动互联网租户场景下,若针对每个不同的租户分别单独部署对话大模型服务器,则运营企业会产生高额成本、资源利用率较低。
发明内容
本申请的目的在于提供一种基于多租户的对话模型交互方法、装置及存储介质,通过基于当前会话信息中携带的租户标签构造的提示词,对不同租户之间的会话信息进行区分识别及应答,不仅解决大模型生成应答信息准确性低的问题,还能解决面对不同用户对应独立部署对话大模型服务器时造成的资源浪费的问题。
第一方面,本申请提供一种基于多租户的对话模型交互方法,方法包括:接收目标租户的当前会话信息;当前会话信息中携带有租户标签;租户标签包括:用户标识信息;基于租户标签构建提示词;提示词至少与目标租户的身份信息相关;基于提示词和当前会话信息进行会话文本改写,得到目标会话文本;将目标会话文本输入至预设的对话模型中,输出目标会话文本对应的应答信息;根据用户标识信息,将应答信息返回至目标租户对应的客户端。
进一步地,上述基于租户标签构建提示词的步骤,包括:判断是否存在租户标签对应的历史会话信息;如果是,基于历史会话信息和租户标签,构建提示词;如果否,根据租户标签构建提示词。
进一步地,上述基于历史会话信息和租户标签,构建提示词的步骤,包括:基于历史会话信息和当前会话信息,判断历史意图与当前意图是否一致;如果是,从历史会话信息中提取历史关注信息;根据历史关注信息和租户标签,构建提示词;如果否,继续执行根据租户标签构建提示词的步骤。
进一步地,上述基于历史会话信息和当前会话信息,判断历史意图与当前意图是否一致的步骤,包括:基于历史会话信息构建历史时间序列;基于历史时间序列和当前会话信息,构建当前时间序列;将当前时间序列输入至预设的意图识别模型,得到置信度;判断置信度是否大于预设阈值;如果是,确定历史意图与当前意图一致。
进一步地,上述从历史会话信息中提取历史关注信息的步骤,包括:将历史会话信息输入至预设的信息提取模型中进行特征提取,输出历史关注信息;历史关注信息至少包括以下之一:会话主题、会话关键词、会话摘要。
进一步地,上述租户标签的构造方法包括:响应目标租户的登录操作之后,基于预设租户名单判断是否存在目标租户对应的租户标签;如果是,则获取目标租户对应的租户标签;如果否,基于目标租户的身份标识信息获取目标租户的注册非必要信息;注册非必要信息为用户注册时可选填项信息;如果注册非必要信息为空,基于身份标识信息,构建目标租户对应的租户标签;如果注册非必要信息不为空,基于身份标识信息和注册非必要信息,构建目标租户对应的租户标签。
进一步地,上述基于身份标识信息和注册非必要信息,构建目标租户对应的租户标签的步骤,包括:将注册非必要信息输入至预设的分类模型中进行分类处理,得到用户分类标签;或者,基于预设的租户社团集合,确定注册非必要信息对应的用户分类标签;将身份标识信息和用户分类标签进行组合,生成目标租户对应的租户标签。
进一步地,上述租户社团集合包括:多个租户社团;每个租户社团包含至少一个维度的租户类型标签;基于预设的租户社团集合,确定注册非必要信息对应的用户分类标签的步骤,包括:分别计算目标租户对应的注册非必要信息与每个租户社团中包含的租户类型标签的集合之间的相似度;将最大相似度对应的租户社团对应的标签,确定为注册非必要信息对应的用户分类标签。
第二方面,本申请还提供一种基于多租户的对话模型交互装置,该装置包括用于执行第一方面任一项所述的一种基于多租户的对话模型交互方法的步骤的多个模块,所述多个模块包括会话接收模块、提示词构建模块、会话改写模块、应答输出模块和信息返回模块,其中:会话接收模块,用于接收目标租户的当前会话信息;当前会话信息中携带有租户标签;租户标签包括:用户标识信息;提示词构建模块,用于基于租户标签构建提示词;提示词至少与目标租户的身份信息相关;会话改写模块,用于基于提示词和当前会话信息进行会话文本改写,得到目标会话文本;应答输出模块,用于将目标会话文本输入至预设的对话模型中,输出目标会话文本对应的应答信息;信息返回模块,用于根据用户标识信息,将应答信息返回至目标租户对应的客户端。
第三方面,本申请还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请提供的基于多租户的对话模型交互方法、装置及电子设备中,首先接收目标租户的携带有租户标签的当前会话信息;该租户标签中包括有用户标识信息;基于租户标签构建与目标租户的身份信息相关的提示词;然后基于提示词和当前会话信息进行会话文本改写,得到目标会话文本;将目标会话文本输入至预设的对话模型中,输出目标会话文本对应的应答信息;根据用户标识信息,将应答信息返回至目标租户对应的客户端。该方式中,对话模型能够通过基于当前会话信息中携带的租户标签构建的提示词,对不同租户之间的会话信息进行区分识别及应答,可以提高对话模型生成应答信息的准确性,同时解决面对不同用户对应独立部署对话大模型服务器时造成的资源浪费的问题。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于多租户的对话模型交互方法的流程图;
图2为本申请实施例提供的一种基于多租户的对话模型交互方法中提示词构建过程的流程图;
图3为本申请实施例提供的一种基于多租户的对话模型交互方法的整体流程示意图;
图4为本申请实施例提供的一种基于多租户的对话模型交互方法中租户标签生成过程的流程图;
图5为本申请实施例提供的一种基于多租户的对话模型交互方法模块处理过程示意图;
图6为本申请实施例提供的一种基于多租户的对话模型交互装置的结构框图;
图7为本申请实施例提供的一种电子设备的结构示意图。
图标:602-会话接收模块;604-提示词构建模块;606-会话改写模块;608-应答输出模块;610-信息返回模块;70-存储器;71-处理器71;72-总线;73-通信接口。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有的多租户问答***中,存在以下两种实现方式:
第一种,大模型通过查找近期回答的所有租户、所有上下文来判断当前租户与历史租户是否为同一人,主题是否有关联,从而保证回答的连贯性和正确性。这种方式完全依赖于大模型对于所有对话进行理解和筛查从而作出判断,不仅增加大模型计算的复杂性,导致大模型响应速度过慢,还可能因不同租户对应的不同语境相互影响,而降低大模型生成应答信息的准确性,出现答非所问的情况。
第二种,单独给每个租户部署一套完整的对话大模型服务器,提供一对一服务,这种方式会导致运营企业产生高额成本、资源利用率较低的问题。
基于此,本申请实施例提供一种基于多租户的对话模型交互方法、装置及存储介质,通过基于当前会话信息中携带的租户标签构造的提示词,对租户的会话信息进行区分识别及应答,不仅解决大模型生成应答信息准确性低的问题,还能解决面对不同用户对应独立部署对话大模型服务器时造成的资源浪费的问题。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种基于多租户的对话模型交互方法进行详细介绍。
图1为本申请实施例提供的一种基于多租户的对话模型交互方法的流程图,该方法具体包括以下步骤:
步骤S102,接收目标租户的当前会话信息;当前会话信息中携带有租户标签;租户标签包括:用户标识信息,也就是用户的唯一身份凭证。这里的租户标签至少包括用户标识信息,还可以包括其它的与目标租户注册非必要信息相关的用户分类标签等信息。
步骤S104,基于租户标签构建提示词;提示词至少与目标租户的身份信息相关,或者还与目标租户的历史会话信息相关,其中,身份信息至少包括用户标识信息,或者还可以包括用户分类标签;具体实施时,在不存在租户标签对应的历史会话信息,或者历史会话信息与当前会话信息的意图不一致的情况下,可以单独根据租户标签构建提示词;对于当前会话信息与历史会话信息意图一致的情况,还可以同时基于租户标签和历史会话信息构建提示词;该提示词可以是与目标租户的身份信息、历史会话信息相关的多个词的组合;提示词可以帮助对话模型对目标租户进行更好的识别和区分。
步骤S106,基于提示词和当前会话信息进行会话文本改写,得到目标会话文本。
具体的改写方式可以是将提示词和当前会话信息按照一定的模板或顺序拼接进行信息的整合,以便于后期将该目标会话文本输入预设的对话模型中进行识别和语义理解,得到准确率较高的应答信息。
步骤S108,将目标会话文本输入至预设的对话模型中,输出目标会话文本对应的应答信息;
步骤S110,根据用户标识信息,将应答信息返回至目标租户对应的客户端。
本申请实施例提供的基于多租户的对话模型交互方法中,基于目标租户的当前会话信息中携带的租户标签来构建提示词,然后将提示词和当前会话信息对应的改写会话文本输入对话模型中,以帮助对话模型完成更为准确的推理任务,其中根据提示词中所含有的身份标识信息对不同租户之间进行区分,以便分离不同租户之间的对话任务,使得大模型对不同租户之间能准确识别,不仅解决大模型因租户之间对话任务相互干扰而导致的生成应答信息准确性低的问题,还能解决面对不同用户对应独立部署对话大模型服务器时造成的资源浪费的问题。
本申请实施例还提供另一种基于多租户的对话模型交互方法,该方法在上述实施例的基础上实现;本实施例重点描述提示词构建过程,租户标签生成过程。
参见图2所示,上述基于租户标签构建提示词的过程包括以下步骤:
步骤S202,判断是否存在租户标签对应的历史会话信息;在接收到目标租户的当前会话信息时,首先基于租户标签中的身份标识信息判断目标租户是否存在历史会话信息,会话信息至少包括对话文本信息、时间戳信息和IP地址信息。
如果不存在,则执行步骤S204,根据租户标签构建提示词。
如果存在,则执行步骤S206,基于历史会话信息和租户标签,构建提示词;具体实施时,为了提高构建的提示词的有效性,以便于将与当前会话信息相关的历史会话信息进行特征提取,并将其作为当前会话信息的上下关联信息以提高生成应答信息的准确率,该步骤中还包括意图判断过程,即上述基于历史会话信息和租户标签,构建提示词的步骤,包括:
步骤S2062,基于历史会话信息和当前会话信息,判断历史意图与当前意图是否一致。
具体实施时,首先可以基于身份标识信息从历史会话模型中获取历史会话信息,至少包括历史对话文本信息、第一时间戳信息和第一IP地址信息。基于身份标识信息从客户端处获取当前会话信息,至少包括当前对话文本信息、第二时间戳信息和第二IP地址信息,并将其进行持久化处理,比如数据库等。上述时间序列的排列模式可以是[时间戳,访问IP,对话内容]等。
然后基于历史会话信息和当前会话信息分别用意图识别模型进行识别,得到历史意图和当前意图,并判断历史意图和当前意图是否一致;具体的还可以通过以下方式判断意图是否一致:
(1)基于历史会话信息构建历史时间序列;具体的,基于历史会话信息中的第一时间戳,将对应的历史对话文本信息和第一IP地址信息按照时间轴的排列方式进行罗列,形成历史时间序列。
(2)基于历史时间序列和当前会话信息,构建当前时间序列;具体的,基于历史时间序列的构造方法将当前会话信息进行整合,然后将整合结果排列至历史时间序列之后构造当前时间序列。对历史会话信息和当前会话信息进行序列化处理,便于后期将其输入时序神经网络意图识别模型中进行意图识别。
(3)将当前时间序列输入至预设的意图识别模型,得到置信度;本申请实施例中的时序神经网络意图识别模型可以是LSTM意图识别模型,也可以是BiGRU模型等,具体不做限制。利用深度学习算法基于时序特征提取对话前后意图之间的联系来捕捉租户的意图信息,以提高意图识别准确率。
(4)判断置信度是否大于或等于预设阈值;如果是,确定历史意图与当前意图一致。当置信度大于或等于预设阈值时,说明历史会话信息的意图与当前会话信息的当前意图一致,也就是说明历史会话信息和当前会话信息相关联。
为了使目标租户获得更精准的应答信息,对历史会话信息进行特征提取,将提取到的历史关注信息作为当前会话信息的上下关联信息,对话模型获得更多的信息后可提高生成应答信息的准确率。
即在判断历史意图和当前意图一致时,执行步骤S2064,从历史会话信息中提取历史关注信息;根据历史关注信息和租户标签,构建提示词。
具体实施时,将历史会话信息输入至预设的信息提取模型中进行特征提取,输出历史关注信息;历史关注信息至少包括以下之一:会话主题、会话关键词、会话摘要。对历史会话信息进行特征提取得到历史关注信息为:历史对话关注<topic>,关键词包括:<key_words>,历史对话内容:<abstract>的相关信息。
例如,基于LDA文本主题模型对历史对话文本进行语义分析,得到会话主题集合,并基于会话主题集合分别计算每个主题的占比得到对应的权重,基于最大权重提取该会话主题为历史会话主题,得到历史对话关注<topic>。基于TF-IDF算法、TextRank算法结合词语密度进行关键词提取,如:先用TF-IDF算法进行初次关键词提取,然后再用TextRank算法计算初次关键词进行排序和筛选得到二次关键词,然后对二次关键词结合词语密度进行排序和筛选得到最终的会话关键词,得到关键词包括:<key_words>。如此即可兼顾每个词语出现的频率及其在整个对话中的重要性,同时考虑词语之间的关联性和词语密度,从而更准确的评估每个词语的权重,进而更精准的提取会话的关键词。基于Seq2seq+Attention的神经网络模型对历史对话文本进行摘要提取,利用Attention机制的主要将注意力集中在历史对话文本中最重要部分的部分,同时也有助于克服逐渐消失的梯度计算问题,得到历史对话内容:<abstract>。然后基于上述算法提取的会话主题、关键词和摘要信息构成历史关注信息,对租户的历史对话文本进行特征提取和总结,在保证语义不变的基础上压缩关键信息规模的同时,还过滤了无效信息,有助于降低大模型进行推理的计算复杂度,提升大模型推理效率和回答准确率。
上述基于租户标签和历史关注信息构造提示词的过程如下:
存在意图一致的历史关注信息时,说明历史会话信息与当前会话信息相关,则基于租户标签和历史关注信息按照提示词模板构造提示词。本申请实施例中提示词模版可以为:“基于租户:<user_id>,作为:<user_tag>身份,历史对话关注<topic>,关键词包括:<key_words>,历史对话内容:<abstract>”构建提示词,在其他实施例中可以是其他形式表示,具体不做限制。
如果历史意图与当前意图不一致,则说明历史会话信息和当前会话信息没有关联,历史会话信息对当前会话信息影响不大,则对当前节点的历史会话信息进行删除,以提高历史会话信息的有效性。当所有历史会话信息都与当前会话信息不相关时,则执行上述步骤S204,根据租户标签构建提示词。即基于租户标签按照提示词模板构造提示词。
本申请实施例中,基于置信度的大小对历史会话信息进行初次有效筛选,然后再基于有效的历史会话信息进行特征提取得到历史关注信息,对无效信息进行二次筛选,降低信息冗余,保证输入大模型信息的有效性,助于降低大模型进行推理的计算复杂度,进而提高大模型生成应答信息的效率和准确度。
在人机对话时,由于租户利用少量语言表达自己意图或表达意图比较随意而造成意图表达不清晰,使得机器无法精准理解租户的意图,回答准确率较低。为了解决该问题,本申请申请实施例中,将与当前对话意图相关的历史会话信息进行特征提取得到历史关注信息,基于历史关注信息考虑上下对话之间的相互影响而增强对话文本的语义表示,缓解因语境匮乏或表达随意造成的意图不清晰的问题,有效提升意图识别准确率。将精准的意图表述输入大模型中,有助于大模型更准确的完成推理任务,提高应答质量。
本申请实施例中,基于提示词中的身份标识信息对不同租户之间进行区分,便于大模型基于提示词对租户进行识别,分离不同租户之间的对话任务。其次,由于大模型服务的启动加载和推理过程,需要占用大量的算力和内存资源,且现有技术为了保证大模型在多个租户对话任务中生产应答信息的准确性,需要对应部署多套大模型服务器资源。本申请实施例通过构建提示词实现同一大模型服务器同时响应不同租户之间对话任务的能力。在保证准确性的前提下,减少为每个租户部署大模型服务器而导致的服务器资源浪费的情况。再者,提示词中包含历史关注信息,则可以避免仅以当前对话文本输入大模型进行意图识别的局限问题,能够从上下文的语料信息中准确理解租户的真实意图,提高意图识别的准确度。
在构建好提示词后,基于提示词和当前会话信息,生成改写后的目标会话文本。具体实施时,将提示词和当前会话信息进行改写、融合,改写后的目标会话文本的模板可以是:“请基于租户:<user_id>,作为:<user_tag>身份,历史对话关注<topic>,关键词包括:<key_words>,历史对话内容:<abstract>,就新问题:<question>,做出回答。”通过改写后的目标会话文本作为租户对话上下文的表征描述,并多维度的显示租户的意图和对话主要信息。将目标会话文本输入对话模型中,得到应答信息。
最后基于目标租户对应的身份标识信息,将应答信息传输给该目标租户对应的客户端。保证租户应答信息的正确性,同时将对话结果也同步记录至历史会话模块,完成更新。
参见图3所示,下面详细阐述整体会话交互过程,包括租户登录相关过程及租户标签生成的具体过程:
在目标租户进行***登录时,首先获取租户登录信息并判断是否验证通过,若验证不通过则进行新租户注册或重新填写租户登录信息进行登录验证。租户登录信息可以是身份证号、手机号、密码等。
若验证通过,则说明当前租户注册过本***(B/S架构***),然后基于租户登录信息获取对应的身份标识信息,身份标识信息包括租户ID或租户token等能够标识租户身份唯一的标识。基于身份标识信息和预设租户名单判断是否存在租户标签,租户标签是用户区分不同租户身份的标签,至少包含身份标识信息,其中,身份标识信息是描述租户身份唯一的标识。若存在租户标签,则说明该租户拥有区别于其他租户的身份信息,保证了对话大模型对不同租户对话任务之间的区分,继续执行对目标租户的当前会话信息的应答响应操作即可。若不存在租户标签,则说明该租户没有区别于其他租户的身份信息,则需要基于用户登录信息构造租户标签。
参见图4所示,租户标签的构造方法包括:
步骤S402,响应目标租户的登录操作之后,基于预设租户名单判断是否存在目标租户对应的租户标签;
如果是,执行步骤S404,获取目标租户对应的租户标签;继续执行基于租户标签构建提示词的步骤。
如果否,执行步骤S406,基于目标租户的身份标识信息获取目标租户的注册非必要信息;注册非必要信息为用户注册时可选填项信息。
具体实施时,基于用户登录信息获取身份标识信息,身份标识信息是描述租户身份唯一的标识。当用户通过用户登录信息注册成功并验证通过后,服务器生成一个身份标识信息便将此身份标识信息返回给租户端。身份标识信息包括但不限制于租户ID、租户token或身份证号码等。
基于身份标识信息获取目标租户的注册非必要信息,注册非必要信息描述为注册多租户对话交互***时可选填的用于区分不同租户身份的个性化信息。注册非必要信息可以是租户的年龄、职业、性别和喜好等。
步骤S408,判断注册非必要信息是否为空,如果是,执行步骤S410,基于身份标识信息,构建目标租户对应的租户标签;
根据身份标识信息从租户信息模块中的预设租户名单中,获取租客注册非必要信息,若预设租户名单中没有该租户的注册非必要信息,则基于身份标识信息构造租户标签。由于身份标识信息的唯一性,即可帮助对话大模型对不同租户之间进行区分。
如果注册非必要信息不为空,执行步骤S412,基于身份标识信息和注册非必要信息,构建目标租户对应的租户标签。
若预设租户名单中有该租户的注册非必要信息,则基于租户注册非必要信息借用多维度的信息对不同个体租户之间进行更详尽身份描述,以便于后期对具有相同行为的个体进行分类,构建租户标签。
即基于身份标识信息和注册非必要信息,构建目标租户对应的租户标签的步骤,包括:
(1)将注册非必要信息输入至预设的分类模型中进行分类处理,得到用户分类标签。
比如,本申请实施中通过深度学习算法对租户画像进行分类,得到用户分类标签;利用随机森林模型分析大量租户的租户注册非必要信息,提取出租户的特征和属性,如租户ID、性别、年龄、地域、偏好等,获得用户分类标签;在其他实施例中,还可以利用决策树算法、K-临近算法等进行租户画像的分类,具体不做限制。本步骤中,主要得到用户分类标签为:租户:<user_id>,作为:<user_tag>身份的相关信息。
或者,基于预设的租户社团集合,确定注册非必要信息对应的用户分类标签。
上述租户社团集合包括:多个租户社团;每个租户社团包含至少一个维度对应的租户类型标签;具体实施时,目标租户对应的注册非必要信息或以包括如性别、年龄、地域、偏好等多个信息,分别计算该注册非必要信息与预设租户社团集合中每个租户社团集对应的租户类型标签的集合之间的相似度,将最大相似度对应的租户社团对应的标签,确定为注册非必要信息对应的用户分类标签。
具体实施时,可以先构建包括多个租户社团的租户社团集合,每个租户社团中包含至少一个维度的租户类型标签,且每个租户社团之间相互独立。首先设置相互独立的租户社团,每个租户社团中设置不同维度描述租户类型的标签。所有的租户特团构成租户社团集合。
然后基于每个租户对应的租户注册非必要信息分别与每个租户社团中的租户类型标签进行比对计算相似度。基于每个租户对应的租户注册非必要信息与租户社团中的租户类型标签进行比对是否一致,并计算租户的租户注册非必要信息与每个租户社团中租户类型标签的相似度。
最后基于最大相似度对应的租户社团,将该租户归为该租户社团的成员,得到用户分类标签。基于租户对应的租户注册非必要信息与每个租户社团之间的相似度,选择最大相似度将该租户归入该租户社团中,并得到用户分类标签。
租户的注册非必要信息不仅能更进一步地对不同租户之间进行进一步的区分,有助于后期多租户同时访问大模型时能够更好的识别租户身份,对不同租户之间对话任务进行隔离以避免相互干扰,进而提高大模型生成应答信息的准确性,还能基于租户注册非必要信息进行分类得到用户分类标签,便于后期大模型在完成推荐类对话任务时,基于用户分类标签帮助相似租户快速找到感兴趣的事务,提高推荐准确率的同时,缩短大模型响应时间。存在用户分类标签时,则可以通过用户分类标签对租户进行多维度数据描述,能更好的对租户进行区分,且在后期对话大模型执行推荐类业务时,能根据租户行为偏好特征的相似性快速找到感兴趣的事务,提高推荐准确率的同时,缩短大模型响应时间。
(2)将身份标识信息和用户分类标签进行组合,生成目标租户对应的租户标签。
图5示出了本申请实施例提供的基于多租户的对话模型交互过程的示意图,包括,多租户对话交互模块、用户信息模块、历史会话模块、预处理模块和大模型(即对话模型)。首先多租户对话交互模块接收多租户输入的用户ID和提问信息(即当前会话信息),然后从用户信息模块中获取用户信息,如租户标签,然后从历史会话模块中获取租户标签对应的历史会话信息,然后通过预处理模块将用户信息历史会话信息进行预处理,也就是提示词的构建过程。然后将增加特定提示词的提问信息(目标会话文本)输入大模型中进行生产推理,将输出的推理结果(应答信息)同步至历史会话模块中,并返回指定用户。
本申请实施例提供的基于多租户的对话模型交互方法,具备以下优点:
首先,基于提示词中的身份标识信息对不同租户之间进行区分,便于大模型基于提示词对租户进行识别区分,以便分离不同租户之间的对话任务,提高应答准确度。
其次,从与当前对话意图相关的历史会话信息中提取历史关注信息,并将其与身份标识信息一起用于构造提示词,基于历史关注信息考虑上下对话之间的相互影响而增强对话文本的语义表示,缓解因语境匮乏或表达随意造成的意图不清晰的问题,且避免仅以当前对话文本输入大模型进行意图识别的局限问题,能够从上下文的语料信息中准确理解租户的真实意图,提高意图识别的准确度,进而提高大模型完成推理任务的准确率,提高应答质量。
再次,基于深度学习算法提取的历史会话信息的会话主题、关键词和摘要信息构成历史关注信息,对租户的历史对话文本进行特征提取和总结,在保证语义不变的基础上压缩关键信息规模的同时,还过滤了无效信息,有助于后期降低大模型进行推理的计算复杂度,提升大模型推理效率和回答准确率。
最后,通过构建提示词实现同一大模型服务器同时响应不同租户之间对话任务的能力,且在保证准确性的前提下,解决为每个租户分别单独部署对话大模型服务器而导致的服务器资源浪费的问题。
基于上述方法实施例,本申请实施例还提供一种基于多租户的对话模型交互装置,参见图6所示,该装置包括用于执行上述方法实施例所述的一种基于多租户的对话模型交互方法的步骤的多个模块,多个模块包括:会话接收模块602、提示词构建模块604、会话改写模块606、应答输出模块608和信息返回模块610,其中:会话接收模块602,用于接收目标租户的当前会话信息;当前会话信息中携带有租户标签;租户标签包括:用户标识信息;提示词构建模块604,用于基于租户标签构建提示词;提示词至少与目标租户的身份信息相关;会话改写模块606,用于基于提示词和当前会话信息进行会话文本改写,得到目标会话文本;应答输出模块608,用于将目标会话文本输入至预设的对话模型中,输出目标会话文本对应的应答信息;信息返回模块610,用于根据用户标识信息,将应答信息返回至目标租户对应的客户端。
进一步地,上述提示词构建模块604,用于判断是否存在租户标签对应的历史会话信息;如果是,基于历史会话信息和租户标签,构建提示词;如果否,根据租户标签构建提示词。
进一步地,上述提示词构建模块604,用于基于历史会话信息和当前会话信息,判断历史意图与当前意图是否一致;如果是,从历史会话信息中提取历史关注信息;根据历史关注信息和租户标签,构建提示词;如果否,继续执行根据租户标签构建提示词的步骤。
进一步地,上述提示词构建模块604,用于基于历史会话信息构建历史时间序列;基于历史时间序列和当前会话信息,构建当前时间序列;将当前时间序列输入至预设的意图识别模型,得到置信度;判断置信度是否大于预设阈值;如果是,确定历史意图与当前意图一致。
进一步地,上述提示词构建模块604,用于将历史会话信息输入至预设的信息提取模型中进行特征提取,输出历史关注信息;历史关注信息至少包括以下之一:会话主题、会话关键词、会话摘要。
进一步地,上述装置还包括:标签生成模块,用于执行以下租户标签的构造方法:响应目标租户的登录操作之后,基于预设租户名单判断是否存在目标租户对应的租户标签;如果是,则获取目标租户对应的租户标签;如果否,基于目标租户的身份标识信息获取目标租户的注册非必要信息;注册非必要信息为用户注册时可选填项信息;如果注册非必要信息为空,基于身份标识信息,构建目标租户对应的租户标签;如果注册非必要信息不为空,基于身份标识信息和注册非必要信息,构建目标租户对应的租户标签。
进一步地,上述标签生成模块,用于将注册非必要信息输入至预设的分类模型中进行分类处理,得到用户分类标签;或者,基于预设的租户社团集合,确定注册非必要信息对应的用户分类标签;将身份标识信息和用户分类标签进行组合,生成目标租户对应的租户标签。
进一步地,上述租户社团集合包括:多个租户社团;每个租户社团包含至少一个维度的租户类型标签;标签生成模块,用于分别计算目标租户对应的注册非必要信息与每个租户社团中包含的租户类型标签的集合之间的相似度;将最大相似度对应的租户社团对应的标签,确定为注册非必要信息对应的用户分类标签。
本申请实施例提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置的实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图7所示,为该电子设备的结构示意图,其中,该电子设备包括处理器71和存储器70,该存储器70存储有能够被该处理器71执行的计算机可执行指令,该处理器71执行该计算机可执行指令以实现上述方法。
在图7示出的实施方式中,该电子设备还包括总线72和通信接口73,其中,处理器71、通信接口73和存储器70通过总线72连接。
其中,存储器70可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线72可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器71读取存储器中的信息,结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于多租户的对话模型交互方法,其特征在于,所述方法包括:
接收目标租户的当前会话信息;所述当前会话信息中携带有租户标签;所述租户标签包括:用户标识信息;
基于所述租户标签构建提示词;所述提示词至少与所述目标租户的身份信息相关;
基于所述提示词和所述当前会话信息进行会话文本改写,得到目标会话文本;
将所述目标会话文本输入至预设的对话模型中,输出所述目标会话文本对应的应答信息;
根据所述用户标识信息,将所述应答信息返回至所述目标租户对应的客户端。
2.根据权利要求1所述的方法,其特征在于,基于所述租户标签构建提示词的步骤,包括:
判断是否存在所述租户标签对应的历史会话信息;
如果是,基于所述历史会话信息和所述租户标签,构建提示词;
如果否,根据所述租户标签构建提示词。
3.根据权利要求2所述的方法,其特征在于,基于所述历史会话信息和所述租户标签,构建提示词的步骤,包括:
基于所述历史会话信息和所述当前会话信息,判断历史意图与当前意图是否一致;
如果是,从所述历史会话信息中提取历史关注信息;根据所述历史关注信息和所述租户标签,构建提示词;
如果否,继续执行所述根据所述租户标签构建提示词的步骤。
4.根据权利要求3所述的方法,其特征在于,基于所述历史会话信息和所述当前会话信息,判断历史意图与当前意图是否一致的步骤,包括:
基于所述历史会话信息构建历史时间序列;
基于所述历史时间序列和所述当前会话信息,构建当前时间序列;
将所述当前时间序列输入至预设的意图识别模型,得到置信度;
判断所述置信度是否大于预设阈值;
如果是,确定历史意图与当前意图一致。
5.根据权利要求3所述的方法,其特征在于,从所述历史会话信息中提取历史关注信息的步骤,包括:
将所述历史会话信息输入至预设的信息提取模型中进行特征提取,输出历史关注信息;所述历史关注信息至少包括以下之一:会话主题、会话关键词、会话摘要。
6.根据权利要求1所述的方法,其特征在于,所述租户标签的构造方法包括:
响应目标租户的登录操作之后,基于预设租户名单判断是否存在所述目标租户对应的租户标签;
如果是,则获取所述目标租户对应的租户标签;
如果否,基于所述目标租户的身份标识信息获取所述目标租户的注册非必要信息;所述注册非必要信息为用户注册时可选填项信息;
如果所述注册非必要信息为空,基于所述身份标识信息,构建所述目标租户对应的租户标签;
如果所述注册非必要信息不为空,基于所述身份标识信息和所述注册非必要信息,构建所述目标租户对应的租户标签。
7.根据权利要求6所述的方法,其特征在于,基于所述身份标识信息和所述注册非必要信息,构建所述目标租户对应的租户标签的步骤,包括:
将所述注册非必要信息输入至预设的分类模型中进行分类处理,得到用户分类标签;
或者,基于预设的租户社团集合,确定所述注册非必要信息对应的用户分类标签;
将所述身份标识信息和所述用户分类标签进行组合,生成所述目标租户对应的租户标签。
8.根据权利要求7所述的方法,其特征在于,所述租户社团集合包括:多个租户社团;每个所述租户社团包含至少一个维度的租户类型标签;基于预设的租户社团集合,确定所述注册非必要信息对应的用户分类标签的步骤,包括:
分别计算所述目标租户对应所述注册非必要信息与每个所述租户社团中包含的租户类型标签的集合之间的相似度;
将最大相似度对应的租户社团对应的标签,确定为所述注册非必要信息对应的用户分类标签。
9.一种基于多租户的对话模型交互装置,其特征在于,所述装置包括用于执行权利要求1至8任一项所述的一种基于多租户的对话模型交互方法的步骤的多个模块,所述多个模块包括会话接收模块、提示词构建模块、会话改写模块、应答输出模块和信息返回模块,其中:
所述会话接收模块,用于接收目标租户的当前会话信息;所述当前会话信息中携带有租户标签;所述租户标签包括:用户标识信息;
所述提示词构建模块,用于基于所述租户标签构建提示词;所述提示词至少与所述目标租户的身份信息相关;
所述会话改写模块,用于基于所述提示词和所述当前会话信息进行会话文本改写,得到目标会话文本;
所述应答输出模块,用于将所述目标会话文本输入至预设的对话模型中,输出所述目标会话文本对应的应答信息;
所述信息返回模块,用于根据所述用户标识信息,将所述应答信息返回至所述目标租户对应的客户端。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147563.9A CN116881429B (zh) | 2023-09-07 | 2023-09-07 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147563.9A CN116881429B (zh) | 2023-09-07 | 2023-09-07 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881429A true CN116881429A (zh) | 2023-10-13 |
CN116881429B CN116881429B (zh) | 2023-12-01 |
Family
ID=88272045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311147563.9A Active CN116881429B (zh) | 2023-09-07 | 2023-09-07 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881429B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271778A (zh) * | 2023-11-17 | 2023-12-22 | 北京水滴科技集团有限公司 | 基于生成式大模型的保险外呼会话信息输出方法及装置 |
CN117474090A (zh) * | 2023-11-20 | 2024-01-30 | 北京传通科技有限公司 | 一种提示词分享的方法与装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777047A (zh) * | 2009-01-08 | 2010-07-14 | 国际商业机器公司 | 多租户环境下访问数据库的***、设备和方法 |
CN104866976A (zh) * | 2015-06-01 | 2015-08-26 | 北京圆通慧达管理软件开发有限公司 | 面向多租户的管理信息*** |
CN107895011A (zh) * | 2017-11-03 | 2018-04-10 | 携程旅游网络技术(上海)有限公司 | 会话信息的处理方法、***、存储介质和电子设备 |
CN109857848A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 交互内容生成方法、装置、计算机设备及存储介质 |
CN110347817A (zh) * | 2019-07-15 | 2019-10-18 | 网易(杭州)网络有限公司 | 智能应答方法及装置、存储介质、电子设备 |
CN110765253A (zh) * | 2019-10-22 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 客服场景下用户问句的回复方法、装置及设备 |
CN111641675A (zh) * | 2020-04-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 多租户访问服务实现方法、装置、设备及存储介质 |
CN111737411A (zh) * | 2020-05-20 | 2020-10-02 | 华为技术有限公司 | 人机对话中的响应方法、对话***及存储介质 |
CN111858854A (zh) * | 2020-07-20 | 2020-10-30 | 上海汽车集团股份有限公司 | 一种基于历史对话信息的问答匹配方法及相关装置 |
CN112948534A (zh) * | 2019-12-10 | 2021-06-11 | 中兴通讯股份有限公司 | 一种智能人机对话的交互方法、***和电子设备 |
CN113435196A (zh) * | 2021-06-22 | 2021-09-24 | 平安科技(深圳)有限公司 | 意图识别方法、装置、设备及存储介质 |
CN113779224A (zh) * | 2021-09-15 | 2021-12-10 | 中国人民大学 | 一种基于用户对话历史的个性化对话生成方法与*** |
CN114443821A (zh) * | 2021-11-30 | 2022-05-06 | 上海商汤智能科技有限公司 | 一种机器人会话的方法、装置、电子设备及存储介质 |
CN114547274A (zh) * | 2022-04-26 | 2022-05-27 | 阿里巴巴达摩院(杭州)科技有限公司 | 多轮问答的方法、装置及设备 |
CN115587598A (zh) * | 2022-11-03 | 2023-01-10 | 思必驰科技股份有限公司 | 多轮对话改写方法、设备及介质 |
CN115757731A (zh) * | 2022-11-16 | 2023-03-07 | 中国平安财产保险股份有限公司 | 对话问句改写方法、装置、计算机设备及存储介质 |
CN115840802A (zh) * | 2022-11-28 | 2023-03-24 | 蚂蚁财富(上海)金融信息服务有限公司 | 服务处理方法及装置 |
CN116303922A (zh) * | 2022-12-08 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 咨询消息应答方法、装置、计算机设备、存储介质和产品 |
CN116501846A (zh) * | 2023-04-25 | 2023-07-28 | 平安科技(深圳)有限公司 | 开放式对话方法、装置、电子设备及介质 |
CN116578688A (zh) * | 2023-05-31 | 2023-08-11 | 平安科技(深圳)有限公司 | 基于多轮问答的文本处理方法、装置、设备及存储介质 |
-
2023
- 2023-09-07 CN CN202311147563.9A patent/CN116881429B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777047A (zh) * | 2009-01-08 | 2010-07-14 | 国际商业机器公司 | 多租户环境下访问数据库的***、设备和方法 |
CN104866976A (zh) * | 2015-06-01 | 2015-08-26 | 北京圆通慧达管理软件开发有限公司 | 面向多租户的管理信息*** |
CN107895011A (zh) * | 2017-11-03 | 2018-04-10 | 携程旅游网络技术(上海)有限公司 | 会话信息的处理方法、***、存储介质和电子设备 |
CN109857848A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 交互内容生成方法、装置、计算机设备及存储介质 |
CN110347817A (zh) * | 2019-07-15 | 2019-10-18 | 网易(杭州)网络有限公司 | 智能应答方法及装置、存储介质、电子设备 |
CN110765253A (zh) * | 2019-10-22 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 客服场景下用户问句的回复方法、装置及设备 |
CN112948534A (zh) * | 2019-12-10 | 2021-06-11 | 中兴通讯股份有限公司 | 一种智能人机对话的交互方法、***和电子设备 |
CN111641675A (zh) * | 2020-04-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 多租户访问服务实现方法、装置、设备及存储介质 |
CN111737411A (zh) * | 2020-05-20 | 2020-10-02 | 华为技术有限公司 | 人机对话中的响应方法、对话***及存储介质 |
CN111858854A (zh) * | 2020-07-20 | 2020-10-30 | 上海汽车集团股份有限公司 | 一种基于历史对话信息的问答匹配方法及相关装置 |
CN113435196A (zh) * | 2021-06-22 | 2021-09-24 | 平安科技(深圳)有限公司 | 意图识别方法、装置、设备及存储介质 |
CN113779224A (zh) * | 2021-09-15 | 2021-12-10 | 中国人民大学 | 一种基于用户对话历史的个性化对话生成方法与*** |
CN114443821A (zh) * | 2021-11-30 | 2022-05-06 | 上海商汤智能科技有限公司 | 一种机器人会话的方法、装置、电子设备及存储介质 |
CN114547274A (zh) * | 2022-04-26 | 2022-05-27 | 阿里巴巴达摩院(杭州)科技有限公司 | 多轮问答的方法、装置及设备 |
CN115587598A (zh) * | 2022-11-03 | 2023-01-10 | 思必驰科技股份有限公司 | 多轮对话改写方法、设备及介质 |
CN115757731A (zh) * | 2022-11-16 | 2023-03-07 | 中国平安财产保险股份有限公司 | 对话问句改写方法、装置、计算机设备及存储介质 |
CN115840802A (zh) * | 2022-11-28 | 2023-03-24 | 蚂蚁财富(上海)金融信息服务有限公司 | 服务处理方法及装置 |
CN116303922A (zh) * | 2022-12-08 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 咨询消息应答方法、装置、计算机设备、存储介质和产品 |
CN116501846A (zh) * | 2023-04-25 | 2023-07-28 | 平安科技(深圳)有限公司 | 开放式对话方法、装置、电子设备及介质 |
CN116578688A (zh) * | 2023-05-31 | 2023-08-11 | 平安科技(深圳)有限公司 | 基于多轮问答的文本处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
冯福伟;李瑛;徐冠宁;杜丽萍;赵桂芬;: "基于集群架构的物联网身份认证***", 计算机应用, no. 1, pages 131 - 134 * |
杨明浩;陶建华;: "多通道人机交互信息融合的智能方法", 中国科学:信息科学, no. 04, pages 79 - 94 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271778A (zh) * | 2023-11-17 | 2023-12-22 | 北京水滴科技集团有限公司 | 基于生成式大模型的保险外呼会话信息输出方法及装置 |
CN117271778B (zh) * | 2023-11-17 | 2024-02-09 | 北京水滴科技集团有限公司 | 基于生成式大模型的保险外呼会话信息输出方法及装置 |
CN117474090A (zh) * | 2023-11-20 | 2024-01-30 | 北京传通科技有限公司 | 一种提示词分享的方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116881429B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116881429B (zh) | 一种基于多租户的对话模型交互方法、装置及存储介质 | |
CN107797984B (zh) | 智能交互方法、设备及存储介质 | |
CN106874279B (zh) | 生成应用类别标签的方法及装置 | |
CN112085205A (zh) | 用于自动训练机器学习模型的方法和*** | |
CN110597962B (zh) | 搜索结果展示方法、装置、介质及电子设备 | |
CN113011186B (zh) | 命名实体识别方法、装置、设备及计算机可读存储介质 | |
CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
CN111539197A (zh) | 文本匹配方法和装置以及计算机***和可读存储介质 | |
US9773252B1 (en) | Discovery of new business openings using web content analysis | |
CN112395391B (zh) | 概念图谱构建方法、装置、计算机设备及存储介质 | |
CN110765348A (zh) | 一种热词的推荐方法、装置、电子设备及存储介质 | |
CN111062490B (zh) | 一种包含隐私数据的网络数据的处理、识别方法及装置 | |
CN115269781A (zh) | 模态关联度预测方法、装置、设备、存储介质及程序产品 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN113821612A (zh) | 信息查找方法以及装置 | |
CN117909560A (zh) | 搜索方法、模型的训练方法、装置、设备、介质及程序产品 | |
CN117407507A (zh) | 基于大语言模型的事件处理方法、装置、设备及介质 | |
CN111933133A (zh) | 智能客服应答的方法及装置、电子设备、存储介质 | |
CN111625636A (zh) | 一种人机对话的拒绝识别方法、装置、设备、介质 | |
KR20210009885A (ko) | 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
CN116127066A (zh) | 文本聚类方法、文本聚类装置、电子设备及存储介质 | |
CN105677827B (zh) | 一种表单的获取方法及装置 | |
CN114579876A (zh) | 虚假信息检测方法、装置、设备及介质 | |
CN113010664A (zh) | 一种数据处理方法、装置及计算机设备 | |
CN113704422A (zh) | 一种文本推荐方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |